In [508]:
import numpy as np 
import pandas as pd 
import seaborn as sns; sns.set(style="ticks", color_codes=True)
import matplotlib.pyplot as plt
import plotly.graph_objs as go
from plotly.subplots import make_subplots
import seaborn as sns
import plotly.express as px
%matplotlib inline

from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
init_notebook_mode(connected = False)

Cargar el conjunto de datos en el entorno de trabajo

Realizar una revisión general
dataset original

In [620]:
#Importación de dataset desde github
url = 'https://github.com/No-Country-simulation/c22-34-n-data-bi/blob/main/DATA/afluencia_diaria_pasajeros_10_2024_limpios.csv'

#url='https://github.com/ISPC-PP1-2024/proyecto/blob/main/datos/DataCoSupplyChainDataset/SinAcento.csv'  //usar este para el desarrollo, corrige acentos
df_1 = pd.read_csv(url)

---------------------------------------------------------------------------
HTTPError                                 Traceback (most recent call last)
Cell In[620], line 5
      2 url = 'https://github.com/No-Country-simulation/c22-34-n-data-bi/blob/main/DATA/afluencia_diaria_pasajeros_10_2024_limpios.csv'
      4 #url='https://github.com/ISPC-PP1-2024/proyecto/blob/main/datos/DataCoSupplyChainDataset/SinAcento.csv'  //usar este para el desarrollo, corrige acentos
----> 5 df_1 = pd.read_csv(url)

File ~\anaconda3\lib\site-packages\pandas\io\parsers\readers.py:1026, in read_csv(filepath_or_buffer, sep, delimiter, header, names, index_col, usecols, dtype, engine, converters, true_values, false_values, skipinitialspace, skiprows, skipfooter, nrows, na_values, keep_default_na, na_filter, verbose, skip_blank_lines, parse_dates, infer_datetime_format, keep_date_col, date_parser, date_format, dayfirst, cache_dates, iterator, chunksize, compression, thousands, decimal, lineterminator, quotechar, quoting, doublequote, escapechar, comment, encoding, encoding_errors, dialect, on_bad_lines, delim_whitespace, low_memory, memory_map, float_precision, storage_options, dtype_backend)
   1013 kwds_defaults = _refine_defaults_read(
   1014     dialect,
   1015     delimiter,
   (...)
   1022     dtype_backend=dtype_backend,
   1023 )
   1024 kwds.update(kwds_defaults)
-> 1026 return _read(filepath_or_buffer, kwds)

File ~\anaconda3\lib\site-packages\pandas\io\parsers\readers.py:620, in _read(filepath_or_buffer, kwds)
    617 _validate_names(kwds.get("names", None))
    619 # Create the parser.
--> 620 parser = TextFileReader(filepath_or_buffer, **kwds)
    622 if chunksize or iterator:
    623     return parser

File ~\anaconda3\lib\site-packages\pandas\io\parsers\readers.py:1620, in TextFileReader.__init__(self, f, engine, **kwds)
   1617     self.options["has_index_names"] = kwds["has_index_names"]
   1619 self.handles: IOHandles | None = None
-> 1620 self._engine = self._make_engine(f, self.engine)

File ~\anaconda3\lib\site-packages\pandas\io\parsers\readers.py:1880, in TextFileReader._make_engine(self, f, engine)
   1878     if "b" not in mode:
   1879         mode += "b"
-> 1880 self.handles = get_handle(
   1881     f,
   1882     mode,
   1883     encoding=self.options.get("encoding", None),
   1884     compression=self.options.get("compression", None),
   1885     memory_map=self.options.get("memory_map", False),
   1886     is_text=is_text,
   1887     errors=self.options.get("encoding_errors", "strict"),
   1888     storage_options=self.options.get("storage_options", None),
   1889 )
   1890 assert self.handles is not None
   1891 f = self.handles.handle

File ~\anaconda3\lib\site-packages\pandas\io\common.py:728, in get_handle(path_or_buf, mode, encoding, compression, memory_map, is_text, errors, storage_options)
    725     codecs.lookup_error(errors)
    727 # open URLs
--> 728 ioargs = _get_filepath_or_buffer(
    729     path_or_buf,
    730     encoding=encoding,
    731     compression=compression,
    732     mode=mode,
    733     storage_options=storage_options,
    734 )
    736 handle = ioargs.filepath_or_buffer
    737 handles: list[BaseBuffer]

File ~\anaconda3\lib\site-packages\pandas\io\common.py:384, in _get_filepath_or_buffer(filepath_or_buffer, encoding, compression, mode, storage_options)
    382 # assuming storage_options is to be interpreted as headers
    383 req_info = urllib.request.Request(filepath_or_buffer, headers=storage_options)
--> 384 with urlopen(req_info) as req:
    385     content_encoding = req.headers.get("Content-Encoding", None)
    386     if content_encoding == "gzip":
    387         # Override compression based on Content-Encoding header

File ~\anaconda3\lib\site-packages\pandas\io\common.py:289, in urlopen(*args, **kwargs)
    283 """
    284 Lazy-import wrapper for stdlib urlopen, as that imports a big chunk of
    285 the stdlib.
    286 """
    287 import urllib.request
--> 289 return urllib.request.urlopen(*args, **kwargs)

File ~\anaconda3\lib\urllib\request.py:216, in urlopen(url, data, timeout, cafile, capath, cadefault, context)
    214 else:
    215     opener = _opener
--> 216 return opener.open(url, data, timeout)

File ~\anaconda3\lib\urllib\request.py:525, in OpenerDirector.open(self, fullurl, data, timeout)
    523 for processor in self.process_response.get(protocol, []):
    524     meth = getattr(processor, meth_name)
--> 525     response = meth(req, response)
    527 return response

File ~\anaconda3\lib\urllib\request.py:634, in HTTPErrorProcessor.http_response(self, request, response)
    631 # According to RFC 2616, "2xx" code indicates that the client's
    632 # request was successfully received, understood, and accepted.
    633 if not (200 <= code < 300):
--> 634     response = self.parent.error(
    635         'http', request, response, code, msg, hdrs)
    637 return response

File ~\anaconda3\lib\urllib\request.py:563, in OpenerDirector.error(self, proto, *args)
    561 if http_err:
    562     args = (dict, 'default', 'http_error_default') + orig_args
--> 563     return self._call_chain(*args)

File ~\anaconda3\lib\urllib\request.py:496, in OpenerDirector._call_chain(self, chain, kind, meth_name, *args)
    494 for handler in handlers:
    495     func = getattr(handler, meth_name)
--> 496     result = func(*args)
    497     if result is not None:
    498         return result

File ~\anaconda3\lib\urllib\request.py:643, in HTTPDefaultErrorHandler.http_error_default(self, req, fp, code, msg, hdrs)
    642 def http_error_default(self, req, fp, code, msg, hdrs):
--> 643     raise HTTPError(req.full_url, code, msg, hdrs, fp)

HTTPError: HTTP Error 404: Not Found
In [509]:
# dataset original -para jupyter
#df_1=pd.read_csv('C:\\Users\\Usuario\\Desktop\\2024\\materias\\CDIA\\2semestre\\pp1-cdia23\\ejemplo suply chain\\DataCoSupplyChainDataset.csv\\para jupyter\\SinAcento.csv', encoding='latin1', sep=';',  low_memory=False)
#df_1=pd.read_csv('C:\\Users\\Usuario\\Desktop\\descargas de pdfs\\NOCOUNTRY\\grupo propio\\datasettodos_juntos_ok.csv', encoding='latin1', sep=';',  low_memory=False)

df_1 = pd.read_csv(r'C:\Users\Usuario\Desktop\descargas de pdfs\NOCOUNTRY\grupo propio\dataset\angela\afluencia_diaria_pasajeros_10_2024_limpios.csv', 
                   encoding='latin1', sep=';', low_memory=False)

#C:\\Users\\Usuario\\Desktop\\descargas de pdfs\\NOCOUNTRY\\grupo propio\\datasettodos_juntos_ok.csv
pd.set_option('display.max_rows', 60)    #muestra 60 columnas
pd.set_option('display.max_columns', 100)  # 100 filas
pd.set_option('display.width', 1000)
In [510]:
df_1.shape
Out[510]:
(26266, 7)
In [511]:
# detalle
df_1.head()
Out[511]:
date month year service type_paiment affluence num_month
0 1/1/2022 Enero 2022 Servicios Temporales Boleto 0 1
1 1/1/2022 Enero 2022 Servicios Temporales Prepago 0 1
2 1/1/2022 Enero 2022 Servicios Temporales Gratuidad 0 1
3 1/1/2022 Enero 2022 Atenea Boleto 2702 1
4 1/1/2022 Enero 2022 Atenea Prepago 0 1
In [512]:
# tamaño en filas y columnas del dataset original
df_1.shape
Out[512]:
(26266, 7)
In [ ]:
In [513]:
df=df_1
In [ ]:
In [514]:
#Mostrar los primeras filas del dataframe resultante
df.head()
Out[514]:
date month year service type_paiment affluence num_month
0 1/1/2022 Enero 2022 Servicios Temporales Boleto 0 1
1 1/1/2022 Enero 2022 Servicios Temporales Prepago 0 1
2 1/1/2022 Enero 2022 Servicios Temporales Gratuidad 0 1
3 1/1/2022 Enero 2022 Atenea Boleto 2702 1
4 1/1/2022 Enero 2022 Atenea Prepago 0 1
In [515]:
df.shape
Out[515]:
(26266, 7)
In [516]:
#Mostrar las ultimas filas del dataframe resultante
df.tail()
Out[516]:
date month year service type_paiment affluence num_month
26261 31/10/2024 Octubre 2024 ORDINARIO Prepago 60887 10
26262 31/10/2024 Octubre 2024 ORDINARIO Gratuidad 12157 10
26263 31/10/2024 Octubre 2024 S/METRO Boleto 3442 10
26264 31/10/2024 Octubre 2024 S/METRO Prepago 31434 10
26265 31/10/2024 Octubre 2024 S/METRO Gratuidad 6872 10
In [517]:
#Nuevo tamaño del dataframe
df.shape
Out[517]:
(26266, 7)

Información general del DataFrame ---tipo de datos---

In [518]:
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 26266 entries, 0 to 26265
Data columns (total 7 columns):
 #   Column        Non-Null Count  Dtype 
---  ------        --------------  ----- 
 0   date          26266 non-null  object
 1   month         26266 non-null  object
 2   year          26266 non-null  int64 
 3   service       26266 non-null  object
 4   type_paiment  26266 non-null  object
 5   affluence     26266 non-null  int64 
 6   num_month     26266 non-null  int64 
dtypes: int64(3), object(4)
memory usage: 1.4+ MB

Verificar si existen filas duplicadas o espacios vacios.

In [519]:
# verificar filas duplicadas
duplicados=df[df.duplicated()]
if duplicados.empty:
    print("No hay filas duplicadas en el DataFrame.")
else:
    print("Las siguientes filas están duplicadas:")
    print(duplicados)

No hay filas duplicadas en el DataFrame.
In [520]:
# verificar espacios vacios
hay_vacios = df.isna().any().any()

if hay_vacios:
    print("El DataFrame contiene valores vacíos.")
else:
    print("El DataFrame no contiene valores vacíos.")

El DataFrame no contiene valores vacíos.
In [ ]:

De acuerdo a la informacion anterior, luego deberemos tratar las columnas precio y ventas

In [532]:
# Cantidad de valores nulos por columna
missing_data = df.isna().sum()
print(missing_data[missing_data > 0])

Series([], dtype: int64)
In [533]:
df.head(100)
Out[533]:
date month year service type_paiment affluence num_month
0 1/1/2022 Enero 2022 Servicios Temporales Boleto 0 1
1 1/1/2022 Enero 2022 Servicios Temporales Prepago 0 1
2 1/1/2022 Enero 2022 Servicios Temporales Gratuidad 0 1
3 1/1/2022 Enero 2022 Atenea Boleto 2702 1
4 1/1/2022 Enero 2022 Atenea Prepago 0 1
... ... ... ... ... ... ... ...
95 4/1/2022 Enero 2022 Expdirecto Gratuidad 314 1
96 4/1/2022 Enero 2022 Expreso Boleto 47758 1
97 4/1/2022 Enero 2022 Expreso Prepago 5535 1
98 4/1/2022 Enero 2022 Expreso Gratuidad 8309 1
99 4/1/2022 Enero 2022 Nochebús Boleto 724 1

100 rows × 7 columns

In [534]:
# Cantidad de valores nulos por columna
missing_data = df.isna().sum()
print(missing_data[missing_data > 0])

Series([], dtype: int64)
In [535]:
df.head()
Out[535]:
date month year service type_paiment affluence num_month
0 1/1/2022 Enero 2022 Servicios Temporales Boleto 0 1
1 1/1/2022 Enero 2022 Servicios Temporales Prepago 0 1
2 1/1/2022 Enero 2022 Servicios Temporales Gratuidad 0 1
3 1/1/2022 Enero 2022 Atenea Boleto 2702 1
4 1/1/2022 Enero 2022 Atenea Prepago 0 1
In [536]:
valores_distintos = sorted(df['service'].unique())
print("Valores distintos (ordenados):")
print(valores_distintos)

Valores distintos (ordenados):
['ATENEA', 'Apoyo Concesionado', 'Apoyo Metro L1', 'Apoyo concesionado', 'Atenea', 'CIRCUITO HOSPITALES', 'Circuito Hospitales', 'Circuito Hospitales $8.00', 'ECOB?S', 'EXPDIRECTO', 'EXPRESO', 'Ecoatenea', 'Ecobús', 'Expdirecto', 'Expreso', 'Expreso Directo', 'NOCHEB?S', 'Nochebús', 'ORDINARIO', 'Ordinario', 'S/METRO', 'S/Metro', 'SERVICIOS TEMPORALES', 'Servicios Temporales']

nombres de columnas

In [537]:
df.columns
Out[537]:
Index(['date', 'month', 'year', 'service', 'type_paiment', 'affluence', 'num_month'], dtype='object')
In [494]:
df.head()
Out[494]:
date month year service type_paiment affluence num_month
0 1/1/2022 Enero 2022 Servicios Temporales Boleto 0 1
1 1/1/2022 Enero 2022 Servicios Temporales Prepago 0 1
2 1/1/2022 Enero 2022 Servicios Temporales Gratuidad 0 1
3 1/1/2022 Enero 2022 Atenea Boleto 2702 1
4 1/1/2022 Enero 2022 Atenea Prepago 0 1
In [ ]:
In [538]:
# Columnas traducidas
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 26266 entries, 0 to 26265
Data columns (total 7 columns):
 #   Column        Non-Null Count  Dtype 
---  ------        --------------  ----- 
 0   date          26266 non-null  object
 1   month         26266 non-null  object
 2   year          26266 non-null  int64 
 3   service       26266 non-null  object
 4   type_paiment  26266 non-null  object
 5   affluence     26266 non-null  int64 
 6   num_month     26266 non-null  int64 
dtypes: int64(3), object(4)
memory usage: 1.4+ MB
In [539]:
#tamaño del nuevo dataframe
df.shape
Out[539]:
(26266, 7)

Conteo de valores únicos por columna:

In [540]:
df.nunique()
Out[540]:
date             1035
month              12
year                3
service            24
type_paiment        3
affluence       12980
num_month          12
dtype: int64

Verificar si existen filas duplicadas o espacios vacios.

In [541]:
# verificar filas duplicadas
duplicados=df[df.duplicated()]
if duplicados.empty:
    print("No hay filas duplicadas en el DataFrame.")
else:
    print("Las siguientes filas están duplicadas:")
    print(duplicados)

No hay filas duplicadas en el DataFrame.
In [542]:
# verificar espacios vacios
hay_vacios = df.isna().any().any()

if hay_vacios:
    print("El DataFrame contiene valores vacíos.")
else:
    print("El DataFrame no contiene valores vacíos.")

El DataFrame no contiene valores vacíos.
In [ ]:
In [543]:
valores_distintos = sorted(df['month'].unique())
print("Valores distintos (ordenados):")
print(valores_distintos)

Valores distintos (ordenados):
['Abril', 'Agosto', 'Diciembre', 'Enero', 'Febrero', 'Julio', 'Junio', 'Marzo', 'Mayo', 'Noviembre', 'Octubre', 'Septiembre']
In [544]:
# Cantidad de valores nulos por columna
missing_data = df.isna().sum()
print(missing_data[missing_data > 0])

Series([], dtype: int64)
In [545]:
df.head()
Out[545]:
date month year service type_paiment affluence num_month
0 1/1/2022 Enero 2022 Servicios Temporales Boleto 0 1
1 1/1/2022 Enero 2022 Servicios Temporales Prepago 0 1
2 1/1/2022 Enero 2022 Servicios Temporales Gratuidad 0 1
3 1/1/2022 Enero 2022 Atenea Boleto 2702 1
4 1/1/2022 Enero 2022 Atenea Prepago 0 1
In [546]:
# Cantidad de valores nulos por columna
missing_data = df_resultado.isna().sum()
print(missing_data[missing_data > 0])

Series([], dtype: int64)
In [547]:
# no quedan valores na
In [548]:
# hasta aqui esta bien
In [549]:
# FIN DE LA PRIMERA PARTE: Exploración Inicial de Datos
In [550]:
# 2 PARTE: ANALISIS UNIVARIADO

Análisis Univariado:

Distribución de Variables: Realizar un análisis de las variables individuales para entender su distribución. Utilizar histogramas, boxplots y estadísticas descriptivas (media, mediana, desviación estándar, etc.) para las variables numéricas. Para las variables categóricas, calcular frecuencias y proporciones.
Identificación de Outliers: Detectar posibles outliers en las variables numéricas utilizando técnicas como el análisis de boxplots o el cálculo del z-score.

In [427]:
hay que renombrar las lineas-.----

  Cell In[427], line 1
    hay que renombrar las lineas-.----
        ^
SyntaxError: invalid syntax

Analisis de algunas variables del dataframe¶

Valores de Pago

In [553]:
df.type_paiment.unique()
Out[553]:
array(['Boleto', 'Prepago', 'Gratuidad'], dtype=object)

Valores de servicio

In [555]:
df.service.unique()
Out[555]:
array(['Servicios Temporales', 'Atenea', 'Ecoatenea', 'Ecobús',
       'Expdirecto', 'Expreso', 'Nochebús', 'Ordinario', 'S/Metro',
       'Apoyo Metro L1', 'Circuito Hospitales', 'Expreso Directo',
       'Circuito Hospitales $8.00', 'Apoyo Concesionado',
       'Apoyo concesionado', 'ATENEA', 'ECOB?S', 'EXPRESO', 'NOCHEB?S',
       'ORDINARIO', 'S/METRO', 'EXPDIRECTO', 'CIRCUITO HOSPITALES',
       'SERVICIOS TEMPORALES'], dtype=object)

Valores de Segmento de Clientes

In [431]:
#EXPLORAMOS LOS DATOS:
#Obtenemos estadísticas descriptivas sobre las columnas numéricas del conjunto de datos:
In [556]:
df.describe()
Out[556]:
year affluence num_month
count 26266.00000 26266.000000 26266.000000
mean 2022.91430 13099.603899 6.244118
std 0.81079 23602.472653 3.338865
min 2022.00000 0.000000 1.000000
25% 2022.00000 232.000000 3.000000
50% 2023.00000 2154.500000 6.000000
75% 2024.00000 15126.750000 9.000000
max 2024.00000 148014.000000 12.000000
In [433]:
# Para cada COLUMNA NUMERICA DE INTERES calcular la mediana, MEDIA Y DESVIACION ESTANDAR
# EJEMPLO PARA Benefit per order Y PRECIO DE PRODUCTO
In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [435]:
#histogramas, boxplots -valores atipicos
In [ ]:
In [ ]:

Graficas¶

In [559]:
#Numero de pedidos y tiempo de entrega real
dias_entrega_real=df.groupby(['service'])['affluence'].count().reset_index(name='numero de pasajeros').sort_values(by= 'numero de pasajeros', ascending= False)
fig=px.bar(dias_entrega_real, x='service', y='numero de pasajeros'  , color='service',
      )
fig.show()
In [561]:
#Cantidad de pedidos segun categoria
dias_entrega_real=df.groupby(['type_paiment'])['affluence'].count().reset_index(name='Numero de pasajeros').sort_values(by= 'Numero de pasajeros', ascending= False)
fig=px.bar(dias_entrega_real, x='type_paiment', y='Numero de pasajeros'  , color='type_paiment'
      )
fig.show()
In [563]:
#Cantidad de productos segun categoria
dias_entrega_real=df.groupby(['year'])['affluence'].count().reset_index(name='cantidad de pasajeros').sort_values(by= 'cantidad de pasajeros', ascending= False)
fig=px.bar(dias_entrega_real, x='year', y='cantidad de pasajeros'  , color='year'
      )
fig.show()
In [564]:
#Cantidad de productos segun categoria
dias_entrega_real=df.groupby(['month'])['affluence'].count().reset_index(name='cantidad de pasajeros').sort_values(by= 'cantidad de pasajeros', ascending= False)
fig=px.bar(dias_entrega_real, x='month', y='cantidad de pasajeros'  , color='month' )
fig.show()
In [565]:
# Agrupar por año y mes, y sumar la afluencia
dias_entrega_real = df.groupby(['year', 'month'])['affluence'].sum().reset_index(name='afluencia_total')

# Ordenar por afluencia total de mayor a menor
dias_entrega_real = dias_entrega_real.sort_values(by='afluencia_total', ascending=False)

# Crear el gráfico de barras
fig = px.bar(dias_entrega_real, x='month', y='afluencia_total', color='year',
            barmode='group')  # Mostrar barras agrupadas por año
fig.show()
In [567]:
# Agrupar por año y mes, y sumar la afluencia
dias_entrega_real = df.groupby(['year', 'service'])['affluence'].sum().reset_index(name='afluencia_total')

# Ordenar por afluencia total de mayor a menor
dias_entrega_real = dias_entrega_real.sort_values(by='afluencia_total', ascending=False)

# Crear el gráfico de barras
fig = px.bar(dias_entrega_real, x='year', y='afluencia_total', color='service',
            barmode='group')  # Mostrar barras agrupadas por año
fig.show()
In [570]:
# Agrupar por año y mes, y sumar la afluencia
dias_entrega_real = df.groupby(['year', 'type_paiment'])['affluence'].sum().reset_index(name='afluencia_total')

# Ordenar por afluencia total de mayor a menor
dias_entrega_real = dias_entrega_real.sort_values(by='afluencia_total', ascending=False)

# Crear el gráfico de barras
fig = px.bar(dias_entrega_real, x='year', y='afluencia_total', color='type_paiment',
            barmode='group')  # Mostrar barras agrupadas por año
fig.show()

---hasta aqui ok----

In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [ ]:
In [575]:
#Graficar
dias_entrega_real=df.groupby(['service'])['affluence'].sum().reset_index(name='Total servicios').sort_values(by= 'Total servicios', ascending= False)
fig=px.bar(dias_entrega_real, x='service', y='Total servicios'  , color='service'
      )
fig.show()

Segmento de Clientes¶

In [580]:
#Cantidad de pedidos segun el segmento de clientes
data_Customer_Segment=df.groupby(['type_paiment'])['affluence'].count().reset_index(name='Numero de afluencias').sort_values(by= 'Numero de afluencias', ascending= False)
fig=px.pie(data_Customer_Segment, values='Numero de afluencias', names= 'type_paiment' , title= 'Numbero de afluencias segun tipo de pago',
       width=600 , height=600 , color_discrete_sequence = px.colors.qualitative.D3)
fig.show()
In [582]:
#Segmento de Clientes para la region de America del sur
df_argentina = df[df['service'] == 'Servicios Temporales']

data_Customer_Segment=df_argentina.groupby(['type_paiment'])['affluence'].count().reset_index(name='Numero de afluencias').sort_values(by= 'Numero de afluencias', ascending= False)
px.pie(data_Customer_Segment, values='Numero de afluencias', names= 'type_paiment' , title= 'Numbero de afluencias segun servicios temporales',
       width=600 , height=600 , color_discrete_sequence = ["red", "green", "blue", "goldenrod", "magenta"])
In [584]:
#Segmento de Clientes para la region de America del sur
df_argentina = df[df['service'] == 'Nochebús']

data_Customer_Segment=df_argentina.groupby(['type_paiment'])['affluence'].count().reset_index(name='Numero de afluencias').sort_values(by= 'Numero de afluencias', ascending= False)
px.pie(data_Customer_Segment, values='Numero de afluencias', names= 'type_paiment' , title= 'Numbero de afluencias segun servicios express',
       width=600 , height=600 , color_discrete_sequence = px.colors.qualitative.G10)
In [ ]:
In [ ]:
In [585]:
df.head()
Out[585]:
date month year service type_paiment affluence num_month
0 1/1/2022 Enero 2022 Servicios Temporales Boleto 0 1
1 1/1/2022 Enero 2022 Servicios Temporales Prepago 0 1
2 1/1/2022 Enero 2022 Servicios Temporales Gratuidad 0 1
3 1/1/2022 Enero 2022 Atenea Boleto 2702 1
4 1/1/2022 Enero 2022 Atenea Prepago 0 1

#separar la fecha

In [604]:
#data_orderdate['year']=data_orderdate['month'].astype(str)
df_sales_quarter=df.groupby([ 'year','month'])['affluence'].count().reset_index(name='afluencias').sort_values(by= 'afluencias', ascending= False)
fig=px.bar(df_sales_quarter, x='year',y = 'afluencias',color ='year')
fig.show()

Analaisis de afluencias segun el año¶

In [607]:
import pandas as pd
import plotly.graph_objects as go

#  'tendencias'
# 
tendencias = df.groupby(['service','year'])['affluence'].count().reset_index()

# Crear una figura
fig = go.Figure()

# Iterar a través de países únicos
for pais in tendencias['service'].unique():
    # Filtrar datos para el país actual
    data_pais = tendencias[tendencias['service'] == pais]
    
    # Agregar una línea para cada país
    fig.add_trace(go.Scatter(
        x=data_pais['year'],
        y=data_pais['affluence'],
        mode='lines',
        name=pais
    ))

# Personalizar el diseño del gráfico
fig.update_layout(
    title='Tendencias en afluencias por Años',
    xaxis_title='Año',
    yaxis_title='Cantidad de afluencias',
    legend_title_text='servicio',
    legend=dict(
        yanchor="top",
        y=0.99,
        xanchor="left",
        x=0.01
    )
)

# Agregar líneas de cuadrícula
fig.update_xaxes(showgrid=True)
fig.update_yaxes(showgrid=True)

# Mostrar el gráfico
fig.show()
In [608]:
import pandas as pd
import plotly.graph_objects as go

#  'tendencias'
#
tendencias = df.groupby(['service','month'])['affluence'].count().reset_index()

# Crear una figura
fig = go.Figure()

# Iterar a través de países únicos
for pais in tendencias['service'].unique():
    # Filtrar datos para el país actual
    data_pais = tendencias[tendencias['service'] == pais]
    
    # Agregar una línea para cada país
    fig.add_trace(go.Scatter(
        x=data_pais['month'],
        y=data_pais['affluence'],
        mode='lines',
        name=pais
    ))

# Personalizar el diseño del gráfico
fig.update_layout(
    title='Tendencias en afluencias por Años',
    xaxis_title='Mes',
    yaxis_title='Cantidad de afluencias',
    legend_title_text='servicio',
    legend=dict(
        yanchor="top",
        y=0.99,
        xanchor="left",
        x=0.01
    )
)

# Agregar líneas de cuadrícula
fig.update_xaxes(showgrid=True)
fig.update_yaxes(showgrid=True)

# Mostrar el gráfico
fig.show()
In [612]:
import pandas as pd
import plotly.graph_objects as go

#  'tendencias'
# 
tendencias = df.groupby(['type_paiment','year'])['affluence'].count().reset_index()

# Crear una figura
fig = go.Figure()

# Iterar a través de países únicos
for pais in tendencias['type_paiment'].unique():
    # Filtrar datos para el país actual
    data_pais = tendencias[tendencias['type_paiment'] == pais]
    
    # Agregar una línea para cada país
    fig.add_trace(go.Scatter(
        x=data_pais['year'],
        y=data_pais['affluence'],
        mode='lines',
        name=pais
    ))

# Personalizar el diseño del gráfico
fig.update_layout(
    title='Tendencias en afluencias por Años',
    xaxis_title='Año',
    yaxis_title='Cantidad de afluencias',
    legend_title_text='type_paiment',
    legend=dict(
        yanchor="top",
        y=0.99,
        xanchor="left",
        x=0.01
    )
)

# Agregar líneas de cuadrícula
fig.update_xaxes(showgrid=True)
fig.update_yaxes(showgrid=True)

# Mostrar el gráfico
fig.show()
In [613]:
import pandas as pd
import plotly.graph_objects as go

#  'tendencias'
# 
tendencias = df.groupby(['type_paiment','month'])['affluence'].count().reset_index()

# Crear una figura
fig = go.Figure()

# Iterar a través de países únicos
for pais in tendencias['type_paiment'].unique():
    # Filtrar datos para el país actual
    data_pais = tendencias[tendencias['type_paiment'] == pais]
    
    # Agregar una línea para cada país
    fig.add_trace(go.Scatter(
        x=data_pais['month'],
        y=data_pais['affluence'],
        mode='lines',
        name=pais
    ))

# Personalizar el diseño del gráfico
fig.update_layout(
    title='Tendencias en afluencias por Años',
    xaxis_title='Mes',
    yaxis_title='Cantidad de afluencias',
    legend_title_text='type_paiment',
    legend=dict(
        yanchor="top",
        y=0.99,
        xanchor="left",
        x=0.01
    )
)

# Agregar líneas de cuadrícula
fig.update_xaxes(showgrid=True)
fig.update_yaxes(showgrid=True)

# Mostrar el gráfico
fig.show()

Grafico de dispersión para observar la relación entre variables¶

In [616]:
# Elegir las dos columnas numéricas que deseas comparar
columna_x = 'service'
columna_y = 'affluence'

# Crear el gráfico de dispersión
plt.figure(figsize=(10, 6))
plt.scatter(df[columna_x], df[columna_y], alpha=0.5, color='blue')
plt.title(f'Gráfico de Dispersión entre {columna_x} y {columna_y}')
plt.xlabel(columna_x)
plt.ylabel(columna_y)
plt.grid(True)
plt.show()
In [617]:
# Elegir las dos columnas numéricas que deseas comparar
columna_x = 'type_paiment'
columna_y = 'affluence'

# Crear el gráfico de dispersión
plt.figure(figsize=(10, 6))
plt.scatter(df[columna_x], df[columna_y], alpha=0.5, color='blue')
plt.title(f'Gráfico de Dispersión entre {columna_x} y {columna_y}')
plt.xlabel(columna_x)
plt.ylabel(columna_y)
plt.grid(True)
plt.show()

Mapa de Calor de Variables numericas¶

In [619]:
# Excluir columnas no numéricas
numeric_df = df.select_dtypes(include=[np.number])

# Crear el mapa de calor de correlación
plt.figure(figsize=(16, 6))
heatmap = sns.heatmap(numeric_df.corr(), annot=True, cmap='BrBG')
heatmap.set_title('Mapa de calor de correlación', fontdict={'fontsize': 18}, pad=12)
plt.show()
In [ ]:
In [ ]:
In [ ]:
In [ ]: